AI-ongelmat johtuvat usein prosessien puutteista
Yritykset saattavat käyttää tekoälyä ratkaisemaan ongelmia, jotka todellisuudessa johtuvat huonoista liiketoimintaprosesseista. Useat tekoälyprojektit ovat epäonnistuneet epäselvän liiketoimintahyödyn ja korkeiden kustannusten vuoksi.
Monet yritykset havaitsevat, että tekoälyn käyttöönotto ei ratkaise ongelmia, vaan pikemminkin nopeuttaa virheellisten prosessien toteuttamista. Gartner ennusti, että jopa 30 prosenttia generatiivisen tekoälyn projekteista hylätään konseptitodistuksen jälkeen vuoden 2025 loppuun mennessä johtuen huonosta datasta, epäselvästä liiketoiminta-arvosta ja kasvavista kustannuksista.
MIT:n vuoden 2025 raportti vahvisti saman havainnon: suurin osa yritysten tekoälypyrkimyksistä ei ole vielä tuottanut mitattavaa vaikutusta tuloslaskelmaan. Tämä korostaa tarvetta ymmärtää ongelman perimmäiset syyt ennen automaation harkitsemista.
Ratkaisuna tähän haasteeseen ehdotetaan kahden vakiintuneen käytännön soveltamista: GEMBA-kävelyt ja Crucial Conversations. GEMBA-kävelyt auttavat johtajia näkemään todellisuuden paikan päällä, kun taas Crucial Conversations parantaa rehellistä keskustelua työntekijöiden välillä.
GEMBA, japaniksi "todellinen paikka", tarkoittaa työn tapahtumapaikoille menemistä ja asiakasarvon luomisen ymmärtämistä. Tämä periaate, joka liittyy läheisesti Toyotan tuotantojärjestelmään ja "genchi genbutsu"-menetelmään (mene ja näe itse), kehottaa johtajia menemään itse katsomaan ja kysymään syitä.
Esimerkiksi jos kuukausiraportti osoittaa asiakastilausten myöhästyneen toimituksen, yleisin oletus voi olla tuotannon hidastuminen. Kuitenkin GEMBA-kävelyllä voidaan paljastaa todellisia syitä, kuten materiaalien odotusaika, hankinnan viiveet tai jatkuvasti muuttuvat myyntiennusteet, jotka todellisuudessa hidastavat prosessia.